Data Driven Options Pricing using ANN: Evidence from the CRR Model

In der Welt der Finanzen ist ein Vertrag, bekannt als Option, ein Instrument, das seinem Besitzer das Recht, aber nicht die Verpflichtung gibt, einen Vermögenswert zu einem bestimmten Preis bis zu einem bestimmten Datum zu kaufen oder zu verkaufen. Diese Instrumente sind entscheidend für das Risikomanagement und das Wetten auf Marktbewegungen, doch die Bestimmung ihres fairen Wertes ist notorisch schwierig. Der Preis hängt von einem sich ständig ändernden Geflecht aus Faktoren ab: den aktuellen Kosten des Vermögenswertes, dem vereinbarten Ausübungspreis (Strike Price), der verbleibenden Zeit, den Zinssätzen in der Wirtschaft und einem Maß dafür, wie wild der Preis des Vermögenswertes schwanken könnte, bekannt als Volatilität. Seit Jahrzehnten stützt sich die Standardmethode zur Berechnung dieser Werte auf komplexe mathematische Modelle, die tausende mögliche zukünftige Pfade des Vermögenswertes simulieren. Obwohl diese Berechnungen genau sind, sind sie langsam und rechenintensiv und erfordern oft leistungsstarke Computer, um die Zahlen zu verarbeiten, nur um einen einzigen Preis zu ermitteln. Wenn sich die Märkte schnell bewegen, kann das Warten auf den Abschluss einer Berechnung eine Belastung darstellen.

Ein Team von Forschern am Indian Institute of Technology Ropar hat einen anderen Weg erkundet, indem sie eine Art von Computergenehmigung namens künstliches neuronales Netz einsetzten, um dieses Problem zu lösen. Anstatt jedes Mal eine neue Simulation von Grund auf neu zu erstellen, wenn ein Preis benötigt wird, trainierten sie ein digitales Gehirn darauf, die verborgenen Muster innerhalb der Ergebnisse der traditionellen, langsamen Modelle zu erkennen. Die Forscher speisten das Netzwerk mit Millionen von Beispielen für Optionspreise, die durch eine etablierte Methode namens Cox-Ross-Rubinstein-Modell generiert wurden, welches die Zeit in kleine Schritte unterteilt, um vorherzusagen, wie sich ein Vermögenswert bewegen könnte. Sobald das Netzwerk die Beziehung zwischen den Eingabefaktoren und dem Endpreis gelernt hatte, wurde es zu einem blitzschnellen Stellvertreter. Die Studie zeigt, dass dieses trainierte Netzwerk den Wert verschiedener Arten von Optionen fast augenblicklich vorhersagen kann, mit einer Genauigkeit, die eng mit den viel langsameren, traditionellen Berechnungen übereinstimmt.

Die Forscher testeten diesen Ansatz bei mehreren verschiedenen Arten von Finanzkontrakten. Sie begannen mit Standard-Europäischen Optionen, die nur am Ende ihrer Laufzeit ausgeübt werden können, und Amerikanischen Optionen, die jederzeit ausgeübt werden können. Sie befassten sich auch mit komplexeren Instrumenten, wie etwa Asiatischen Optionen, bei denen die endgültige Auszahlung vom Durchschnittspreis des Vermögenswertes über einen Zeitraum abhängt und nicht nur vom Preis am Ende, sowie Barriere-Optionen, die nur existieren oder eine Auszahlung leisten, wenn der Preis des Vermögenswertes während ihrer Laufzeit eine bestimmte Schwelle überschreitet. Bei den Standard- und Asiatischen Optionen arbeitete das neuronale Netzwerk mit bemerkenswerter Präzision. Es sagte nicht nur den Preis voraus, sondern berechnete auch die „Greeks“, also sensible Messgrößen dafür, wie der Preis auf kleine Änderungen im Markt reagiert. In diesen Fällen waren die Antworten des Netzwerks nahezu identisch mit der traditionellen Methode, lieferten sie jedoch in einem Bruchteil einer Sekunde.

Der Geschwindigkeitsunterschied ist eklatant. In Tests, die zwanzigtausend verschiedene Szenarien umfassten, dauerte die traditionelle Methode über eine Minute, um Europäische Optionen zu bepreisen, und fast zwei Minuten für Amerikanische Puts. Das neuronale Netzwerk hingegen schloss dieselbe Aufgabe in etwa anderthalb Sekunden ab. Für die komplexeren Asiatischen Optionen, bei denen die traditionelle Methode mit dem Speicherplatz kämpfte und über siebzehn Minuten benötigte, schloss das Netzwerk die Aufgabe in etwas mehr als einer Sekunde ab. Diese Effizienz deutet darauf hin, dass ein solches System nach dem Training für den Echtzeithandel und das Risikomanagement von unschätzbarem Wert sein könnte, da es Händlern ermöglicht, Preise und Risiken sofort zu sehen, ohne auf schwere Berechnungen warten zu müssen.

Die Studie zeigte jedoch auch die Grenzen dieser Technologie auf. Als die Forscher ihr Netzwerk auf Barriere-Optionen anwandten, waren die Ergebnisse weniger zuverlässig. Diese Optionen besitzen eine „Klippenkanten“-Qualität; wenn der Preis des Vermögenswertes eine bestimmte Barriere berührt, kann der Wert des Kontrakts augenblicklich auf Null fallen. Das neuronale Netzwerk, das exzellent darin ist, glatte, kontinuierliche Muster zu lernen, hatte Schwierigkeiten mit diesen scharfen, plötzlichen Änderungen. Die Fehler bei der Preisgestaltung und den Sensitivitätsmessungen waren für diese Kontrakte deutlich höher als bei den anderen. Dieser Befund ist entscheidend, da er zeigt, dass die Methode zwar leistungsstark ist, aber keine universelle Lösung für jede Art von Finanzinstrument darstellt. Das Netzwerk arbeitet am besten, wenn die zugrunde liegende Mathematik glatt ist, stößt aber an seine Grenzen, wenn die Regeln des Spiels abrupte, diskontinuierliche Verschiebungen beinhalten.

Über die reine Preisgestaltung hinaus zeigten die Forscher, dass dieser Ansatz auch die „Volatilitatsoberfläche“ abbilden kann – eine komplexe, dreidimensionale Karte, die Finanzinstitute verwenden, um zu verstehen, wie sich die Markterwartungen hinsichtlich Risiko über verschiedene Preise und Zeiten hinweg verändern. Unter Verwendung realer Marktdaten von großen indischen Unternehmen demonstrierten sie, dass das neuronale Netzwerk diese Oberflächen viel schneller rekonstruieren kann als die traditionellen Modelle. Die traditionelle Methode, die für jede einzelne Berechnung einen neuen Baum von Möglichkeiten aufbauen muss, benötigte Dutzende von Sekunden, um die Daten zu verarbeiten. Das neuronale Netzwerk erledigte dieselbe Arbeit in weniger als einem Zehntel einer Sekunde. Diese Fähigkeit legt nahe, dass Finanzunternehmen in Zukunft solche trainierten Netzwerke nutzen könnten, um ihre Risikomodelle und Preisstrategien in Echtzeit zu aktualisieren und so auf Marktveränderungen zu reagieren, während sie geschehen, statt erst im Nachhinein.

Die Arbeit behauptet nicht, die alten Modelle vollständig zu ersetzen, sondern vielmehr als hocheffizientes Werkzeug zu dienen, das neben ihnen steht. Das neuronale Netzwerk ist kein magischer Orakel; es ist ein Schüler, der die Lektionen des traditionellen Modells auswendig gelernt hat und gelernt hat, die Antworten sofort zu rezitieren. Es erbt die Logik des ursprünglichen Rahmens, entfernt jedoch den Rechenaufwand. Für die überwiegende Mehrheit der gängigen Optionen bestätigt die Studie, dass dieser datengesteuerte Ansatz genau genug ist, um vertrauenswürdig zu sein, und bietet einen Weg, die Komplexität der modernen Finanzwelt mit einer Geschwindigkeit zu navigieren, die zuvor unmöglich war. Die einzige Einschränkung bleibt das zerklüftete Gelände der Barriere-Optionen, wo das glatte Lernen des Netzwerks auf die scharfen Kanten der Realität trifft.